唐宇迪学习笔记9：逻辑回归与梯度下降策略

最新推荐文章于 2023-10-07 19:03:43 发布

小丑呀~

最新推荐文章于 2023-10-07 19:03:43 发布

阅读量482

点赞数

分类专栏：梯度下降文章标签：逻辑回归

本文链接：https://blog.csdn.net/qq_40890544/article/details/123601304

版权

梯度下降专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、案例实战：Python实现逻辑回归任务概述

Logistic Regression

1、读取数据

2、看数据维度

3、 'Admitted'==1/'Admitted'==0图像

实现The logistic regression

一、案例实战：Python实现逻辑回归任务概述

Logistic Regression

我们将建立一个逻辑回归模型来预测一个学生是否被大学录取。假设你是一个大学系的管理员，你想根据两次考试的结果来决定每个申请人的录取机会。你有以前的申请人的历史数据，你可以用它作为逻辑回归的训练集。对于每一个培训例子，你有两个考试的申请人的分数和录取决定。为了做到这一点，我们将建立一个分类模型，根据考试成绩估计入学概率。

#三大件
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

1、读取数据

import os
path = 'data' + os.sep + 'LogiReg_data.txt'
pdData = pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])
pdData.head()

2、看数据维度

pdData.shape

3、 'Admitted'==1/'Admitted'==0图像

positive = pdData[pdData['Admitted'] == 1] # returns the subset of rows such Admitted = 1, i.e. the set of *positive* examples
negative = pdData[pdData['Admitted'] == 0] # returns the subset of rows such Admitted = 0, i.e. the set of *negative* examples

fig, ax = plt.subplots(figsize=(10,5))
ax.scatter(positive['Exam 1'], positive['Exam 2'], s=30, c='b', marker='o', label='Admitted')
ax.scatter(negative['Exam 1'], negative['Exam 2'], s=30, c='r', marker='x', label='Not Admitted')
ax.legend()
ax.set_xlabel('Exam 1 Score')
ax.set_ylabel('Exam 2 Score')

实现The logistic regression

目标：建立分类器（求解出三个参数 $\large \theta_{0} \theta_{1} \theta_{2}$ ）

设定阈值，根据阈值判断录取结果

二、案例实战：完成梯度下降模块

要完成的模块：

sigmoid : 映射到概率的函数
model : 返回预测结果值
cost : 根据参数计算损失
gradient : 计算每个参数的梯度方向
descent : 进行参数更新
accuracy: 计算精度

`1、sigmoid` 函数

$\large g(z)=\frac{1}{1+e^{-z}}$

g:R→[0,1]
𝑔(0)=0.5
𝑔(−∞)=0
𝑔(+∞)=1

表达式

def sigmoid(z):
    return 1 / (1 + np.exp(-z))

sigmoid 函数画图展示

nums = np.arange(-10, 10, step=1) #creates a vector containing 20 equally spaced values from -10 to 10
fig, ax = plt.subplots(figsize=(12,4))
ax.plot(nums, sigmoid(nums), 'r')

2、完成预测函数

插入一列，值为1。作用：将数值计算转化为矩阵运算。

def model(X, theta):
    
    return sigmoid(np.dot(X, theta.T)) #np.dot：矩阵乘法

3、构造数据


pdData.insert(0, 'Ones', 1) # in a try / except structure so as not to return an error if the block si executed several times


# set X (training data) and y (target variable)
orig_data = pdData.values# convert the Pandas representation of the data to an array useful for further computations
cols = orig_data.shape[1]
X = orig_data[:,0:cols-1]
y = orig_data[:,cols-1:cols]

# convert to numpy arrays and initalize the parameter array theta
#X = np.matrix(X.values)
#y = np.matrix(data.iloc[:,3:4].values) #np.array(y.values)
theta = np.zeros([1, 3])  #占位

检查结果

X[:5]

y[:5]

theta

X.shape, y.shape, theta.shape

4、数据组合

损失函数

def cost(X, y, theta):  #x：数据  y：标签
    left = np.multiply(-y, np.log(model(X, theta)))
    right = np.multiply(1 - y, np.log(1 - model(X, theta)))
    return np.sum(left - right) / (len(X))

损失值：

cost(X, y, theta)

计算梯度

def gradient(X, y, theta):
    grad = np.zeros(theta.shape)   #定义梯度
    error = (model(X, theta)- y).ravel()   #
    for j in range(len(theta.ravel())): #for each parmeter
        term = np.multiply(error, X[:,j])
        grad[0, j] = np.sum(term) / len(X)
    
    return grad

三、案例实战：停止策略与梯度下降案例

1、比较3中不同梯度下降方法

STOP_ITER = 0    #根据迭代次数
STOP_COST = 1    #根据损失值目标函数的变化
STOP_GRAD = 2    #根据梯度
def stopCriterion(type, value, threshold):
    #设定三种不同的停止策略
    if type == STOP_ITER:        return value > threshold 
    elif type == STOP_COST:      return abs(value[-1]-value[-2]) < threshold 
    elif type == STOP_GRAD:      return np.linalg.norm(value) < threshold

2、将数据进行洗牌

数据顺序进行打乱（shuffle），重新指定x，y。

import numpy.random
#洗牌
def shuffleData(data):
    np.random.shuffle(data)
    cols = data.shape[1]
    X = data[:, 0:cols-1]
    y = data[:, cols-1:]
    return X, y

3、时间对结果的影响

import time

def descent(data, theta, batchSize, stopType, thresh, alpha):
    #梯度下降求解
    
    init_time = time.time()
    i = 0 # 迭代次数
    k = 0 # batch
    X, y = shuffleData(data)
    grad = np.zeros(theta.shape) # 计算的梯度
    costs = [cost(X, y, theta)] # 损失值

    
    while True:
        grad = gradient(X[k:k+batchSize], y[k:k+batchSize], theta)
        k += batchSize #取batch数量个数据
        if k >= n: 
            k = 0 
            X, y = shuffleData(data) #重新洗牌
        theta = theta - alpha*grad # 参数更新
        costs.append(cost(X, y, theta)) # 计算新的损失
        i += 1 

        if stopType == STOP_ITER:       value = i
        elif stopType == STOP_COST:     value = costs
        elif stopType == STOP_GRAD:     value = grad
        if stopCriterion(stopType, value, thresh): break
    
    return theta, i-1, costs, grad, time.time() - init_time

4、功能性函数

def runExpe(data, theta, batchSize, stopType, thresh, alpha):
    #import pdb; pdb.set_trace();
    #执行一次更新
    theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
    #图上显示名字
    name = "Original" if (data[:,1]>2).sum() > 1 else "Scaled"
    name += " data - learning rate: {} - ".format(alpha)
    if batchSize==n: strDescType = "Gradient"
    #根据参数选择梯度下降方式和停止策略
    elif batchSize==1:  strDescType = "Stochastic"
    else: strDescType = "Mini-batch ({})".format(batchSize)
    name += strDescType + " descent - Stop: "
    if stopType == STOP_ITER: strStop = "{} iterations".format(thresh)
    elif stopType == STOP_COST: strStop = "costs change < {}".format(thresh)
    else: strStop = "gradient norm < {}".format(thresh)
    name += strStop
    #画图展示得到结果
    print ("***{}\nTheta: {} - Iter: {} - Last cost: {:03.2f} - Duration: {:03.2f}s".format(
        name, theta, iter, costs[-1], dur))
    fig, ax = plt.subplots(figsize=(12,4))
    ax.plot(np.arange(len(costs)), costs, 'r')
    ax.set_xlabel('Iterations')
    ax.set_ylabel('Cost')
    ax.set_title(name.upper() + ' - Error vs. Iteration')
    return theta

5、结果

#选择的梯度下降方法是基于所有样本的
n=100
runExpe(orig_data, theta, n, STOP_ITER, thresh=5000, alpha=0.000001)

四、案例实战：实验对比效果

1、对比不同停止策略

根据损失值停止

设定阈值 1E-6, 差不多需要110 000次迭代

runExpe(orig_data, theta, n, STOP_COST, thresh=0.000001, alpha=0.001)

根据梯度变化停止

设定阈值 0.05,差不多需要40 000次迭代

runExpe(orig_data, theta, n, STOP_GRAD, thresh=0.05, alpha=0.001)

2、对比不同的梯度下降方法

Stochastic descent

runExpe(orig_data, theta, 1, STOP_ITER, thresh=5000, alpha=0.001)
#1：迭代一个样本

迭代非常不稳定，非常不平衡。不收敛。

把学习率调小一些，迭代次数增多

速度快，但稳定性差，需要很小的学习率

Mini-batch descent

runExpe(orig_data, theta, 16, STOP_ITER, thresh=15000, alpha=0.001)

浮动仍然比较大，我们来尝试下对数据进行标准化 将数据按其属性(按列进行)减去其均值，然后除以其方差。最后得到的结果是，对每个属性/每列来说所有数据都聚集在0附近，方差值为1 。

from sklearn import preprocessing as pp

scaled_data = orig_data.copy()
scaled_data[:, 1:3] = pp.scale(orig_data[:, 1:3])

runExpe(scaled_data, theta, n, STOP_ITER, thresh=5000, alpha=0.001)

它好多了！原始数据，只能达到达到0.61，而我们得到了0.38个在这里！所以对数据做预处理是非常重要的！！！

runExpe(scaled_data, theta, n, STOP_GRAD, thresh=0.02, alpha=0.001)

更多的迭代次数会使得损失下降的更多！

theta = runExpe(scaled_data, theta, 1, STOP_GRAD, thresh=0.002/5, alpha=0.001)

随机梯度下降更快，但是我们需要迭代的次数也需要更多，所以还是用batch的比较合适！！！

runExpe(scaled_data, theta, 16, STOP_GRAD, thresh=0.002*2, alpha=0.001)

精度

#设定阈值
def predict(X, theta):
    return [1 if x >= 0.5 else 0 for x in model(X, theta)]

scaled_X = scaled_data[:, :3]
y = scaled_data[:, 3]
predictions = predict(scaled_X, theta)
correct = [1 if ((a == 1 and b == 1) or (a == 0 and b == 0)) else 0 for (a, b) in zip(predictions, y)]
accuracy = (sum(map(int, correct)) % len(correct))
print ('accuracy = {0}%'.format(accuracy))

小丑呀~

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
4
评论
唐宇迪学习笔记9：逻辑回归与梯度下降策略

目录一、案例实战：Python实现逻辑回归任务概述Logistic Regression1、读取数据2、看数据维度3、'Admitted'==1/'Admitted'==0图像实现The logistic regression二、案例实战：完成梯度下降模块1、sigmoid函数表达式sigmoid函数画图展示2、完成预测函数3、构造数据检查结果4、数据组合损失函数计算梯度三、案例实战：停止策略与梯度下降案例1、比较3中不同...
复制链接

扫一扫

专栏目录